基于圖像理解的農(nóng)作物病害診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于圖像理解的農(nóng)作物病害 診斷方法。
【背景技術(shù)】
[0002] 我國是一個農(nóng)業(yè)大國，在農(nóng)作物病害防治體系中，病害的診斷至今為薄弱環(huán)節(jié)。近 年來變化異常的生態(tài)環(huán)境和多變的病害災(zāi)害，為病害防治帶來較大困難。農(nóng)作物的病害診 斷從實質(zhì)上講，就是一個故障診斷問題，但是農(nóng)作物的病害診斷與一般的設(shè)備故障診斷相 比，由于農(nóng)作物具有生命特征，其病害特征表現(xiàn)較一般設(shè)備復(fù)雜，同一病征在不同個體上或 在同一個體的不同時期都有一定的差異，而且病害特征的變化也較為復(fù)雜。
[0003] 目前國內(nèi)外還沒有一種通用的、有效的、適合農(nóng)作物的病害智能診斷方法。現(xiàn)有技 術(shù)的基于圖像理解的農(nóng)作物病害診斷方法，僅對病害圖像本身綜合考慮顏色、形狀和紋理 等各方面的特征，而沒有考慮病害圖像包含的語義關(guān)系，因此具有局限性，且識別準(zhǔn)確率較 低，同時在病害識別方面存在通用性不強、智能化不足、實用性較差等缺陷。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供一種基于圖像理解的農(nóng)作物病害診斷方 法。
[0005] 本發(fā)明提供一種基于圖像理解的農(nóng)作物病害診斷方法，包括：
[0006] 獲取農(nóng)作物的圖像數(shù)據(jù)，農(nóng)作物的圖像包括二值圖、灰度圖、彩色圖和深度圖；
[0007] 基于農(nóng)作物的圖像數(shù)據(jù)進行語義提取，建立農(nóng)作物圖像的語義模型，所述語義模 型包含農(nóng)作物圖像中存在的病害對象與病害對象、正常對象與正常對象、病害對象與正常 對象的相似性關(guān)系；
[0008] 根據(jù)農(nóng)作物圖像的語義模型，對農(nóng)作物進行病害診斷。
[0009] 優(yōu)選地，如上所述的方法，所述語義模型為倒置的樹，用父子節(jié)點、兄弟節(jié)點表示 各對象之間的關(guān)系，用語義模型中的屬性來描述各對象具有的屬性。
[0010] 如上所述的方法，所述基于農(nóng)作物的圖像數(shù)據(jù)進行語義提取，具體包括：
[0011] 以統(tǒng)計學(xué)習(xí)為基礎(chǔ)，使用支持向量機SVM算法對病害對象分類，然后對同一病害 對象再用數(shù)學(xué)方法進行相似性度量。
[0012] 可選地，如上所述的方法，還包括：
[0013] 對所述農(nóng)作物病害診斷方法進行仿真，形成一個功能相容的計算軟件包，并對所 述農(nóng)作物病害診斷方法進行驗證。
[0014] 本發(fā)明提供的技術(shù)方案，首先獲取農(nóng)作物的圖像數(shù)據(jù)，農(nóng)作物的圖像包括二值圖、 灰度圖、彩色圖和深度圖，然后基于農(nóng)作物的圖像數(shù)據(jù)進行語義提取，建立農(nóng)作物圖像的語 義模型，語義模型包含農(nóng)作物圖像中存在的病害對象與病害對象、正常對象與正常對象、病 害對象與正常對象的相似性關(guān)系，進而根據(jù)農(nóng)作物圖像的語義模型，對農(nóng)作物進行病害診 斷。本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷方法，由于考慮了農(nóng)作物圖像中包含的 各對象之間的關(guān)系和各對象具有的屬性，不但提高了對農(nóng)作物病害診斷的準(zhǔn)確性，而且具 有通用性強的特點。
【附圖說明】
[0015]為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例中所需要使用的 附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅是本發(fā)明的一些實施例，對于本領(lǐng)域 普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附 圖。
[0016] 圖1為本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷方法實施例的流程圖；
[0017]圖2為本發(fā)明提供的語義模型實施例的示意圖；
[0018]圖3為本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷系統(tǒng)的示意圖。
【具體實施方式】
[0019]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員 在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0020] 圖1為本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷方法實施例的流程圖。如圖 1所示，本實施例的方法可以包括：
[0021]S101、獲取農(nóng)作物的圖像數(shù)據(jù)，農(nóng)作物的圖像包括二值圖、灰度圖、彩色圖和深度 圖。
[0022] 為了能夠正確地理解圖像的內(nèi)容，首先要做的事情就是把圖像中被識別的對象提 取出來，然后利用知識和模型對其加以識別，從而獲得圖像的含義。如何來提取目標(biāo)所固有 的一些特征，目前運用較多的方法仍然是圖像分割。如何在圖像理解中加以應(yīng)用，是圖像理 解系統(tǒng)要解決的問題之一。
[0023] 針對上述問題，本發(fā)明采用新的基于無向圖結(jié)構(gòu)模型及區(qū)域統(tǒng)計模型的圖像理解 方法，將區(qū)域統(tǒng)計集合中的上下近似概念和無向圖結(jié)構(gòu)模型結(jié)合。無向圖結(jié)構(gòu)模型應(yīng)用于 圖像分割中，提出新的基于知識的分割算法；利用區(qū)域統(tǒng)計模型的約簡過程對構(gòu)建的知識 庫進行了屬性約簡和規(guī)則提取，提出基于區(qū)域統(tǒng)計模型的圖像理解推理新方法。
[0024]S102、基于農(nóng)作物的圖像數(shù)據(jù)進行語義提取，建立農(nóng)作物圖像的語義模型，語義模 型包含農(nóng)作物圖像中存在的病害對象與病害對象、正常對象與正常對象、病害對象與正常 對象的相似性關(guān)系。
[0025] 基于圖像理解的語義知識獲取，具體的，根據(jù)基于機器學(xué)習(xí)的語義提取方法，對于 農(nóng)作物病害圖像，首先將其分割成3X3大小的圖像子塊中從中獲取圖像特征，建立以縮 短底層特征與高層語義差距的貝葉斯框架，包括在像素的光譜、紋理及其他屬性上的自動 融合、在分割的圖像區(qū)域上的反復(fù)分裂一合并算法、根據(jù)區(qū)域之間的空間關(guān)系為圖像建模 等貝葉斯分類器用于訓(xùn)練和學(xué)習(xí)用戶給出的病害對象和正常對象，從而得到病害圖像相關(guān) 語義特征。在語義獲取的過程中，如果產(chǎn)生的誤差很大，結(jié)合人工干預(yù)進行反饋。當(dāng)用戶針 對關(guān)鍵字或示例進行查找時，可對系統(tǒng)給出的病害圖像進行相關(guān)性判定，同時系統(tǒng)根據(jù)用 戶的反饋產(chǎn)生或修改圖像語義。
[0026]S103、根據(jù)農(nóng)作物圖像的語義模型，對農(nóng)作物進行病害診斷。
[0027] 本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷方法，首先獲取農(nóng)作物的圖像數(shù) 據(jù)，農(nóng)作物的圖像包括二值圖、灰度圖、彩色圖和深度圖，然后基于農(nóng)作物的圖像數(shù)據(jù)進行 語義提取，建立農(nóng)作物圖像的語義模型，語義模型包含農(nóng)作物圖像中存在的病害對象與病 害對象、正常對象與正常對象、病害對象與正常對象的相似性關(guān)系，進而根據(jù)農(nóng)作物圖像的 語義模型，對農(nóng)作物進行病害診斷。本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷方法，由 于考慮了農(nóng)作物圖像中包含的各對象之間的關(guān)系和各對象具有的屬性，不但提高了對農(nóng)作 物病害診斷的準(zhǔn)確性，而且具有通用性強的特點。
[0028]圖2為本發(fā)明提供的語義模型實施例的示意圖。如圖2所示，可以將語義模型表 示為倒置的樹，用父子節(jié)點、兄弟節(jié)點表示各對象之間的關(guān)系，用語義模型中的屬性來描述 各對象具有的屬性。
[0029] 如上所述的方法，所述基于農(nóng)作物的圖像數(shù)據(jù)進行語義提取，具體可以包括：以統(tǒng) 計學(xué)習(xí)為基礎(chǔ)，使用支持向量機SVM算法對病害對象分類，然后對同一病害對象再用數(shù)學(xué) 方法進行相似性度量。
[0030] 如何將計算機視覺所得到的數(shù)據(jù)、識別結(jié)果作為人工智能處理的知識？如何用人 工智能處理的知識、獲得的新知識來指導(dǎo)計算機視覺更容易、更準(zhǔn)確、更快地獲得數(shù)據(jù)、處 理數(shù)據(jù)，得到識別結(jié)果
[0031] 在病害圖像理解框架下，可以應(yīng)用機器學(xué)習(xí)方式獲得語義知識?；跈C器學(xué)習(xí)的 語義特征提取方法也可以分成基于概率的方法和基于統(tǒng)計的方法?；诟怕实姆椒ㄓ秒S 機數(shù)學(xué)模型描述圖像語義特性，并建立概念模式分類器。基于統(tǒng)計方法獲取語義知識可以 使用支持向量機。其本質(zhì)是在高維空間中尋找一個超平面對樣本進行分類，使分類錯誤率 最小。
[0032] 基于機器學(xué)習(xí)的語義提取方法可以最大限度地減少人工干預(yù)，為今后實現(xiàn)真正語 義層次上的智能圖像語義提取打下基礎(chǔ)，然而這類方法在現(xiàn)實世界中使用時會受到一些限 制。項目中融合這兩種語義提取方法，以統(tǒng)計學(xué)習(xí)為基礎(chǔ)，使用SVM對病害對象分類，然后 對同一病害對象再用數(shù)學(xué)方法進行相似性度量。從而實現(xiàn)較精確的病害識別。
[0033]圖3為本發(fā)明提供的基于圖像理解的農(nóng)作物病害診斷系統(tǒng)的示意圖。如圖3所 示，參照數(shù)字圖像處理層次劃分方法，本發(fā)明的智能診斷系統(tǒng)可以分為以下的四個層次：數(shù) 據(jù)層、描